💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
离散小波变换(DWT)是一种数学工具,用于信号处理和数据压缩。它将信号分解成不同尺度的近似和细节系数,从而允许对信号进行多尺度分析。在图像压缩中,DWT通常用于将图像转换为频域表示,从而利用频域的特性来减少数据量。在图像压缩中,DWT的主要优势在于它能够提供多尺度的表示,并且能够很好地捕捉图像中的局部特征。通过去除高频细节,可以实现数据压缩而保持图像的整体结构和重要特征。压缩后的图像可以通过逆DWT转换回原始图像,尽可能保持原始图像的质量,以满足特定的压缩比要求。
📚2 运行结果
主函数部分代码:
%% Main code
clc;
close all;
clear all;
%% Q1
f = [0, 1, 2, 1, 0, -1, -2, 1, 1, 5, 5, 3, 2, 3, 3, 3];
% stem plot of the signal f
figure(1);
stem(f);
title('Q1 Original signal');
%% Q5
% apply level 3 dwt on f
[approx, details] = haar_dwt(f, 3);
% plot approx and details of level 1,2,3
figure(2);
subplot(2,2,1);
stem(approx);
title('Q2 Level 3 approximation');
axis ([0 8 -3 9])
subplot(2,2,2);
stem(details{1});
title('Level 1 details');
axis ([0 8 -3 3])
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]杨春玲,梁梓文.特征域近端高维梯度下降图像压缩感知重构网络[J].华南理工大学学报(自然科学版),2024,52(03):119-130.
[2]赵美利.基于深度SR模型的加密数字图像压缩与重构[J].成都工业学院学报,2024,27(02):47-51.DOI:10.13542/j.cnki.51-1747/tn.2024.02.009.